RAG, eller Retrieval-Augmented-Generation, lar deg utnytte store språkmodeller som GPT-4 ved å berike og avgrense modellen til et kvalitetssikret kunnskapsgrunnlag. Med dette begrenser man sannsynligheten for hallusinasjoner og utdaterte svar. Kostnadseffektivt er det også.
Min første melding i møte med chatbotter er som oftest “snakk med menneske”. Det bør det snart være slutt på.
Et maskinlæringssystem blir aldri helt rettferdig. I alle fall ikke mer rettferdig en de data modellen er trent på. Og datasettene vi benytter foreslår som hovedregel at vi diskriminerer.
I årets utgave av Naturkampen har vi forbedret selve rangeringsmodellen bak den endelige resultatlisten. Hvordan sørger man for en mest mulig rettferdig kamp for naturmangfold og naturvern?
Jeg jobber med kunstig intelligens hver dag. Men jeg vil helst slippe å nevne det. Ikke fordi jeg skjemmes — men fordi begrepet i dag er så utvannet og upresist at det nesten ikke har noe verdi.
Auto ML har alltid gitt meg frysninger. Det samme har low-code ML, eller til og med no-code ML.
Med godt strukturerte og sporbare data i bunn, ligger mye til rette for å håndtere maskinlæring på en god måte. Neste steg på veien, er et miljø for å utforske data, skrive datapipelines, bygge modeller og gjøre modellene tilgjengelig for anvendelse.
Det er store gevinster ved å samle og foredle data på en god måte. Det er store gevinster ved å samle og foredle data på en god måte. Delta lake gjør det mulig å håndtere variasjon i innkommende data samtidig som vi sikrer kvaliteten og får et analysegrunnlag som vi kan stole på. I denne artikkelen vil vi vise hvordan dette kan settes opp.